初识Python和使用Python爬虫
一.python基础知识了解:
1.特点:
Python的语言特性:
Python是一门具有强类型(即变量类型是强制要求的)、动态性、隐式类型(不需要做变量声明)、大小写敏感(var和VAR代表了不同的变量)以及面向对象(一切皆为对象)等特点的编程语言。
优点:
容易上手,代码简洁,代码量小,编写快速,三方库成熟
缺点:
第一个缺点就是运行速度慢,和C程序相比非常慢,因为Python是解释型语言,你的代码在执行时会一行一行地翻译成CPU能理解的机器码,这个翻译过程非常耗时,所以很慢。而C程序是运行前直接编译成CPU能执行的机器码,所以非常快。
第二个缺点就是代码不能加密。如果要发布你的Python程序,实际上就是发布源代码,这一点跟C语言不同,C语言不用发布源代码,只需要把编译后的机器码(也就是你在Windows上常见的xxx.exe文件)发布出去。要从机器码反推出C代码是不可能的,所以,凡是编译型的语言,都没有这个问题,而解释型的语言,则必须把源码发布出去。
2.python能做什么:
-
网络应用:包括网站、后台服务等等,构建网络应用一般使用Django 或者 Flask这俩相对流行的框架。
-
数据科学:包括机器学习(scikit-learn和TensorFlow)、数据分析和数据可视化(Matplotlib)
-
脚本、爬虫
3.python的版本问题:
目前,Python有两个版本,一个是2.x版,一个是3.x版,这两个版本是不兼容的(语法发生改变)。由于3.x版越来越普及,所以直接使用3.x版本
4.hello world:
print("hello world")
5.一段简单的代码:
# 这是一行注释 a = 100 if a >= 0: print(a) else: print(-a)
python中使用#来表示注释
当语句以冒号:结尾时,缩进的语句视为代码块。
缩进有利有弊。好处是强迫你写出格式化的代码,但没有规定缩进是几个空格还是Tab。按照约定俗成的管理,应该始终坚持使用4个空格的缩进。
缩进的另一个好处是强迫你写出缩进较少的代码,你会倾向于把一段很长的代码拆分成若干函数,从而得到缩进较少的代码。
二.python爬虫:
1.什么是爬虫(spider):
爬虫(spider)的本质是一个向网站或URL发送请求, 获取资源后分析并提取有用数据的应用程序。它可以用来获取文本数据,也可以用来下载图片或音乐,还可以用来抢票。各大IT公司如阿里, 百度, 新浪和今日头条都大规模的应用了爬虫技术。比如阿里云网站上的IT技术类文章都是从CSDN, CNBlogs和微信公众号等原创平台上爬来的。新浪上的政府新闻很多也是直接从各大部委网站直接爬过来的。
2.为什么用python来写爬虫:
1)PHP语言 虽然是世界上最好的语言,但是他天生不是干这个的,而且对多线程、异步支持不够好,并发处理能力很弱。爬虫是工具性程序,对速度和效率要求比较高。
2)Java 语言 Java 的网络爬虫生态圈也很完善,是Python爬虫最大的对手。但是Java语言本身很笨重,代码量很大。 重构成本比较高,任何修改都会导致代码的大量变动。爬虫经常需要修改部分采集代码。
3)C/C++语言 运行效率和性能几乎最强,但是学习成本很高,代码成型比较慢,是很慢。 能用C/C++做爬虫,只能说是能力的表现,但是不是正确的选择。
4)Python 语言 语法优美、代码简洁、开发效率高、支持的模块多,相关的HTTP请求模块和HTML解析模块非常丰富。 还有强大的爬虫Scrapy框架,以及成熟高效的 scrapy-redis分布式策略。而且,调用其他语言的接口也非常方便(胶水语言)
关于scrapy-redis 引用这里:https://www.cnblogs.com/pythoner6833/p/9148937.html
总结:各个语言都有办法能写爬虫程序,只是python更加适合,而且有成熟的框架,写起来比较简单易上手
3.爬虫的工作流程:
-
请求发送: 确定需要爬取数据的目标url以及发送请求(request)时所需要携带的数据和各种HTTP头部信息 (如user-agent, proxy IP, cookie)。发送请求时我们最常用的有python 3自带的urllib库和需要安装的第三方包requests库。
-
数据解析: 对返回的数据(response)进行解析,提取我们所需要的信息。常用的数据解析的库有python自带的html.parser, beautifulsoup(第三方库)、lxml(第三方库)。
-
数据存储: 对第2步提取的数据我们有时候需要对其进行清洗,有时会直接存入数据库,写入文件或缓存。
4.一个最简单的爬虫:
# 使用RequestsCookieJar来构建cookie cookie_jar = RequestsCookieJar() for k, v in d.items(): cookie_jar.set(k, v) # 创建headers user_agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; Trident/7.0; rv:11.0) like Gecko' header = { "User-Agent": user_agent } 1.使用requests创建请求 req = requests.get(url, headers=header, cookies=cookie_jar) 2.使用beautifulsoup来解析请求到的数据 if req.status_code == 200: soup = bs(str(req.content, 'GBK'), 'html.parser') 3.soup中保存了方便解析的请求到的数据 result = soup.find_all('div', class_='paper-bt')[0].get_text() 4.对抓取到的数据保存或者输出 print(result)
5.使用scrapy构建爬虫
1) Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
2) 安装 scrapy框架
3) 构建scrapy框架项目
4) 初始化一个spider 叫做movie 针对主机名是“douban.com”
这时一个基本的Python爬虫框架就完成了,这里会根据模板生成一套代码
scrapy.cfg:配置文件
spiders:存放你Spider文件,也就是你爬取的py文件
items.py:相当于一个容器,和字典较像
middlewares.py:定义Downloader Middlewares(下载器中间件)和Spider Middlewares(蜘蛛中间件)的实现
pipelines.py:定义Item Pipeline的实现,实现数据的清洗,储存,验证。
settings.py:全局配置
此时scrapy基本功能构建完成,需要进行目标功能构建
5)创建一个spider文件:
这里以动漫观看排行榜的数据为例子
#爬虫类
#数据item
#pipeline后处理类
5)执行写好的爬虫,得到数据
scrapy crawl agefans --nolog
6)结果:
6.解析库
1)lxml的使用
使用pip3 install lxml安装库
XPath的常用规则:
-
/ 表示选取直接子节点
-
// 表示选取所有子孙节点
-
. 选取当前节点
-
.. 选取当前结点的父节点
-
@ 选取属性
还是拿上面的解析方法来举例:
response.xpath('//li[@class="rank_text"]')
代表选取所有li标签class属性为“rank_text”的子孙节点
直接就筛选到了如下数据的集合
接着从集合中遍历每个节点下的数据
2)BeautifulSoup的使用
使用 pip3 install BeautifulSoup安装
soup = BeautifulSoup(str(req.content, 'utf-8'), 'lxml') 这里是使用了lxml的解析器来解析,python自带的解析器为'html.parser'
2.2获取属性值
比如,我们想要获取img的src属性,我们只需要,soup.img['src']就可以获取到,soup.img.arrts['src']也可以获取到。
如果想获取到所有的属性就这样写:soup.img.arrts即可
2.3获取直接子节点和子孙节点,父节点,祖先节点,兄弟节点
-
获取直接子节点:contents,例如我想获取p标签的直接子节点:soup.p.contents即可
-
获取子孙节点:descendants,例如我想获取p标签的子孙节点:soup.p.descendants即可
-
获取父节点:parent属性,例如我想获取p标签的父节点:soup.p.parent即可
-
获取祖先节点:parents属性,例如我想获取p标签的祖先节点:soup.p.parents即可
-
获取兄弟节点:next_sibling,previous_sibling,next_siblings,previous_siblings分别为下一个兄弟节点,上一个兄弟节点,上面所有的兄弟节点,下面所有的兄弟节点。
2.4获取文本属性
string为获取文本
attrs为获取属性
2.5方法选择器
find_all()返回的一个列表,匹配所有符合要求的元素
-
如果我们想要获取ul可以这样写:soup.find_all(name='ul')
-
如果我们想要获取id为id1属性可以这样写:soup.find_all(arrts[id='id1'])
-
如果我们想要获取class为class1属性可以这样写:soup.find_all(arrts[class_='class1'])因为class有特殊意义,所以我们获取class的时候价格_即可
-
如果我们想要获取文本值可以这样写:soup.find_all(text=re.compile(''))匹配text需要用到正则,匹配你想要的text值
-
find()只返回一个值,匹配到符合要求的第一个值。用法和上面的方法一样
解析结果:
by 张轶